Physics-Informed Flow Reconstruction from Sparse 3D Lagrangian Particle Tracking: A Systematic Comparison with FlowFit and Binning

유체는 비행기 날개 위를 스치는 공기부터 배수구로 소용돌이치며 내려가는 물에 이르기까지 어디에나 존재합니다. 과학자들은 이러한 유체의 움직임을 이해하기 위해 보이지 않는 흐름을 지도화하여, 공간의 모든 지점에서의 속도와 압력을 완벽하게 그려내고자 노력합니다. 하지만 공기나 물 속에 떠다니는 아주 작은 추적 입자들을 추적하는 것과 같은 도구들은 단지 흩어진 스냅샷만을 제공하기 때문에 이는 매우 어려운 일입니다. 마치 지형 곳에 무작위로 흩어진 몇 안 되는 점들만을 사용하여 매끄럽고 연속적인 지형도를 그리려는 것과 같습니다. 그 점들은 특정 지점의 지면 위치는 알려주지만, 그 사이의 넓은 간극에는 언덕이나 골짜기가 있을지 알 수 없게 만듭니다. 특히 난류와 같이 복잡한 흐름을 정의하는 급격한 회전과 갑작스러운 압력 변화를 포착하기 위해 그 간극을 정확하게 메우는 것은 오랫동안 연구자들에게 큰 과제였습니다.

독일 항공우주센터(German Aerospace Center)의 연구팀은 기존의 확립된 방법들과 새로운 종류의 수학적 도구를 테스트함으로써 이 문제를 해결하고자 했습니다. 그들은 인공지능이 단순히 누락된 데이터를 추측하는 것을 넘어, 유체가 어떻게 움직이는지를 지배하는 실제 물리 법칙을 학습하도록 하는 기술인 '물리 정보 신경망(Physics-Informed Neural Networks)'에 주목했습니다. 그들은 이 새로운 접근 방식을 주변 데이터를 평균내는 단순한 방법과, 데이터를 특정 수학적 격자에 맞추도록 강제하는 더 발전된 방법 등 두 가지 전통적인 흐름 재구성 방식과 비교했습니다. 컴퓨터 시뮬레이션으로 구현된 난류 공기와 실제 풍동 실험 모두에서 이 방법들을 테스트한 결과, 신경망 방식이 데이터가 부족할 때 훨씬 더 견고하며, 경쟁 모델들보다 흐름의 복잡한 구조를 더 잘 보존한다는 것을 발견했습니다.

연구진은 먼저 완벽한 테스트 환경 역할을 할 두 가지 유형의 컴퓨터 시뮬레이션을 생성했습니다. 첫 번째는 벽이나 경계가 없어 복잡하지 않은, 소용돌이치는 유체의 무질서하지만 균형 잡힌 상태인 균질 등방성 난류 시뮬레이션입니다. 두 번째는 평평한 표면 위로 흐르는 공기를 모사하여 벽 근처에 강렬한 속도 변화 구역을 만드는 난류 경계층입니다. 두 경우 모두 완전하고 정확한 흐름장을 알고 있었기에, 각 재구성 방법이 희소한 데이터로부터 진실을 얼마나 잘 복원해내는지 정확히 확인할 수 있었습니다. 또한, 독일 항공우주센터의 풍동에서 측정된 실제 데이터를 사용하는 세 번째 테스트도 수행했는데, 여기서는 공기 중을 이동하는 수천 개의 미세한 기름 방울을 추적했습니다. 이 실제 시나리오에서는 비교할 완벽한 지도가 없었으므로, 훈련 과정에서 의도적으로 제외했던 입자들의 움직임을 얼마나 잘 예측하는지를 기준으로 방법들을 평가해야 했습니다.

공정한 비교를 위해 연구진은 모든 방법에 대해 동일한 원시 데이터, 즉 측정 노이즈를 제거하여 매끄럽게 처리된 입자들의 위치, 속도 및 가속도로 시작했습니다. 그런 다음 입자를 체계적으로 제거하여 데이터가 매우 희소한 조건의 상황을 시뮬레이션했습니다. 이를 통해 가용 정보량이 줄어듦에 따라 각 방법이 어떻게 성능을 보이는지 관찰할 수 있었습니다. 인근 입자들을 작은 상자로 그룹화하여 평균 속도를 계산하는 단순 평균 방식은 즉각적으로 어려움을 겪었습니다. 입자 수가 감소함에 따라 이 방식은 유체의 매끄럽고 연속적인 특성을 포착하지 못하는 노이즈가 많고 울퉁불퉁한 결과를 만들어냈습니다. 또한 난류를 이해하는 데 필수적인 작은 에너지 소용돌이를 뭉개버림으로써 흐름의 미세한 디테일을 놓쳤습니다.

FlowFit이라고 알려진 두 번째 방법은 데이터를 3차원 격자에 맞추고, 유체가 단순히 나타나거나 사라질 수 없다는 질량 보존 법칙을 따르도록 강제하는 더 정교한 접근 방식을 사용했습니다. 이 방법은 데이터가 밀집되어 있을 때는 매우 우수한 성능을 보이며 흐름의 속도와 압력 지도를 매우 정확하게 생성했습니다. 그러나 입자 수가 줄어들면서, 특히 흐름이 가장 급격하게 변하는 벽 근처에서 성능이 저하되기 시작했습니다. 이 방식은 인위적인 물결과 오류를 만들어냈으며, 수학적으로 완벽한 질량 균형은 유지했지만, 때로는 표현하고자 하는 흐름 구조의 물리적 실체를 놓치기도 했습니다.

세 번째 방법인 물리 정보 신경망은 다른 길을 택했습니다. 고정된 격자에 데이터를 강제로 맞추는 대신, 유연한 신경망을 사용하여 시공간의 어디에서든 흐름을 설명할 수 있는 연속 함수를 학습했습니다. 결정적으로, 이 네트워크는 단순히 입자 속도에 맞추도록 지시받은 것이 아니라, 재구성된 흐면이 실제 유체처럼 행동하도록 유체의 운동에 관한 근본적인 방정식들을 만족하도록 훈련되었습니다. 결과는 놀라웠습니다. 데이터가 밀집된 상태부터 매우 희소한 상태에 이르기까지, 모든 수준의 희소성 전반에 걸쳐 신경망은 일관되게 가장 정확한 흐름 속도와 압력 지도를 생성했습니다. 특히 흐름의 구조적 무결성을 유지하는 능력이 인상적이었습니다. 데이터가 극도로 희소할 때조차도, 신경망은 다른 방법들이 핵심적인 특성을 놓친 채 파편화되거나 지나치게 매끄러운 결과를 내놓는 것과 달리, 난류의 일관된 소용돌이 패턴을 성공적으로 보존해 냈습니다.

가장 중요한 발견 중 하나는 신경망이 압력장을 다루는 방식이었습니다. 압력은 유체 흐름에서 직접 측정하기 매우 까다로우며, 흩어진 데이터로부터 재구성하기 가장 어려운 부분 중 하나입니다. 신경망은 물리 법칙을 통해 속도와 압력 사이의 관계를 학습함으로써, 데이터가 희박한 상황에서도 훨씬 높은 정확도로 압력장을 추론할 수 있었습니다. 완벽한 참조 지도가 존재하지 않았던 실제 풍동 실험에서도 신경망은 다른 방법들을 압도했습니다. 신경망은 훈련 중에 보지 못했던 입자들의 가속도를 가장 높은 정확도로 예측했는데, 이는 신경망이 단순히 데이터 포인트를 암기한 것이 아니라 흐름의 기저에 깔린 물리학을 성공적으로 학습했음을 시사합니다.

또한 이 연구는 좋은 재구성이 무엇인지에 대한 중요한 미묘한 차이를 밝혀냈습니다. FlowFit 방식은 한 가지 측면에서 수학적으로 완벽했습니다. 즉, 재구성된 흐름이 영(0)의 발산(divergence)을 갖도록 보장하여, 유체 부피가 모든 지점에서 완벽하게 보존되도록 했습니다. 반면 신경망은 이 조건을 근사적으로만 만족했습니다. 그럼에도 불구하고, 이러한 수학적 불완전함에도 불구하고 신경망은 물리적으로 더 정확하고 진실에 가까운 유동장을 만들어냈습니다. 이는 복잡한 실제 시나리오에서는 하나의 제약 조건에 대한 작은 수학적 오류가 전체적인 흐름 구조의 큰 오류보다 덜 해롭다는 것을 시사합니다. 데이터와 물리 법칙 사이의 균형을 맞추는 신경망의 능력은 데이터가 불완전할 때도 더 견고하고 신뢰할 수 있는 솔루션을 찾을 수 있게 해주었습니다.

컴퓨팅 비용 측면에서 신경망은 일반 컴퓨터 프로세서에서 몇 분 걸리는 다른 방법들에 비해 강력한 그래픽 프로세서에서 몇 시간이 소요되어 실행 시간이 훨씬 더 많이 필요했습니다. 그러나 연구진은 이러한 추가 시간이 데이터가 희소한 상황에서 결과의 품질을 높이기 위한 대가라고 언급했습니다. 연구는 전통적인 방법들도 제 역할이 있지만, 물리 정보 신경망이 희소한 측정값으로부터 유체 흐름을 재구성하는 강력한 새로운 방법을 제공한다고 결론지었습니다. 이는 데이터가 제한적인 상황에서 다른 방법들이 놓치는 복잡하고 소용돌이치는 난류의 본질적인 구조와 물리적 행동을 포착하여, 더 충실한 표현을 제공합니다. 이러한 발전은 정밀한 데이터를 얻는 것이 거의 불가능한 항공 역학에서 기상 모델링에 이르기까지 유체 거동을 더 잘 이해하고 예측해야 하는 엔지니어와 과학자들에게 큰 도움이 될 것입니다.